[發明專利]一種車輛異常軌跡檢測、模型訓練方法及裝置

有效

• 申請號: 202010525309.8
• 申請日: 2020-06-10
• 公開（公告）號: CN111694917B
• 公開（公告）日: 2021-03-02
• 發明（設計）人: 安凱強;劉國平;溫翔;王海泉;馮嘉晨
• 申請（專利權）人: 北京嘀嘀無限科技發展有限公司
• 主分類號: G06F16/29
• 分類號: G06F16/29;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京超成律師事務所 11646
• 代理人: 裴素英

本申請提供了一種車輛異常軌跡檢測、模型訓練方法及裝置，其中，該車輛異常軌跡檢測方法包括：將正負樣本中的軌跡輸入到包括循環神經網絡和卷積神經網絡的深度神經網絡；其中，所述循環神經網絡和卷積神經網絡交替分布；輸出與位置無關的深度異常特征；基于所述與位置無關的深度異常特征，確定異常軌跡預測結果；基于所述異常軌跡預測結果與所述正負樣本中的實際異常軌跡信息的差異，調整所述深度神經網絡的模型參數。本申請可以在路網中任意遷移，無需因為路網或外部環境因素變化重新標定樣本。

技術領域

本申請涉及軌跡檢測技術領域，具體而言，涉及一種車輛異常軌跡檢測、模型訓練方法及裝置。

背景技術

目前，基于監督和半監督學習的方法主要通過設計學習模型，使得模型能夠學習異常軌跡的特征從而區分異常。例如：①使用生成模型檢測異常軌跡的方法，基于生成模型的構造誤差判別模型是否存在異常。②使用降噪自編碼器提取軌跡特征，輸入帶有噪聲的軌跡序列，降噪自編碼器能夠將軌跡數據重建，使其之盡可能接近無噪聲的軌跡數據，提高軌跡數據的魯棒性，從而提高異常軌跡預測的準確性。③使用歷史軌跡的共同模式(motifs)，構建一個特征空間，將目標軌跡映射到特征空間，得到在特征空間中的特征向量用于對軌跡進行異常識別的分類。④使用軌跡分段的方法來判別異常軌跡，將軌跡劃分為若干段，基于每段的距離和密度的混合方法判別異常軌跡段。

傳統方案的缺點在于，基于監督和半監督學習的方法需要人工標定訓練樣本，為保證模型的有效性，需要隨著路網或其他外部因素的變化重新標定樣本訓練，模型學到的異常特征與特定路網位置強相關，無法在路網中任意遷移。

發明內容

有鑒于此，本申請的目的在于提供一種車輛異常軌跡檢測、模型訓練方法及裝置，可以在路網中任意遷移，無需因為路網或外部環境因素變化重新標定樣本。

根據本申請的第一方面，提供一種車輛異常軌跡檢測模型的訓練方法，包括：

將正負樣本中的軌跡輸入到包括循環神經網絡和卷積神經網絡的深度神經網絡，其中，所述循環神經網絡和卷積神經網絡交替分布；

輸出與位置無關的深度異常特征；

基于所述與位置無關的深度異常特征，確定異常軌跡預測結果；

基于所述異常軌跡預測結果與所述正負樣本中的實際異常軌跡信息的差異，調整所述深度神經網絡的模型參數。

在一種可能的實施方式中，將正負樣本中的軌跡輸入到包括循環神經網絡和卷積神經網絡的深度神經網絡，包括：

將正負樣本中的軌跡映射到路網網格中，得到路網網格表示的正負樣本中的軌跡；

獲取在地理空間約束下的路網網格特征矩陣；

從所述路網網格特征矩陣中查詢與所述路網網格表示的正負樣本中的軌跡對應的路網網格特征向量，得到路網網格特征向量表示的正負樣本中的軌跡；

將所述路網網格特征向量表示的正負樣本中的軌跡輸入到包括循環神經網絡和卷積神經網絡的深度神經網絡。

在一種可能的實施方式中，所述地理空間約束包括起點和終點的約束；

獲取在地理空間約束下的路網網格特征矩陣，包括：

將當前行駛軌跡映射到路網網格中，得到路網網格表示的當前行駛軌跡；

將所述路網網格表示的當前行駛軌跡進行劃分得到多個路網網格表示的子軌跡；其中，每個路網網格表示的子軌跡包括起點、途經點和終點，每兩個相鄰的路網網格表示的子軌跡部分重合；

對路網網格特征矩陣進行隨機初始化；

針對每個路網網格表示的子軌跡，在起點和終點的約束下，基于所述路網網格表示的子軌跡和路網網格特征矩陣對途經點出現的平均對數概率進行最大化；